SLOPE and Designing Robust Studies for Generalization
SLOPE：为总体推广设计稳健研究AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究因果结论的总体推广、条件可交换性与敏感性分析，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
SLOPE：为总体推广设计稳健研究
- 研究问题
- 从来源总体推广到目标总体时，如何衡量结论对条件可交换性局部违反的敏感程度，并据此选择更稳健的总体或目标参数？
- 方法与思路
- 作者提出条件可交换性局部扰动敏感度 SLOPE，结合因果敏感性分析与导数式稳健度量，并推导其与影响函数的解析关系。
- 材料陈述的贡献
- 摘要称，该指标可辅助选择来源总体、目标总体或估计目标，并可由影响函数推导；多国随机实验再分析展示其研究设计用途。
- 阅读关注点
- 应核对局部扰动的定义和尺度、SLOPE 对目标参数选择的依赖、影响函数关系的适用条件，以及设计建议是否考虑可实施性。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收未核实；摘要未给出扰动空间或指标公式，局部敏感度也不能直接保证较大偏离下的稳健性。
原文摘要
A popular task in generalization is to learn about a new, target population based on data from an existing, source population. This task relies on conditional exchangeability, which asserts that differences between the source and target populations are fully captured by observable characteristics of the two populations. Unfortunately, this assumption is often untenable in practice due to unobservable differences between the source and target populations. Worse, the assumption cannot be verified with data, warranting the need for robust data collection processes and study designs that are inherently less sensitive to violation of the assumption. In this paper, we propose SLOPE (Sensitivity of LOcal Perturbations from Exchangeability), a simple, intuitive, and novel measure that quantifies the sensitivity to local violation of conditional exchangeability. SLOPE combines ideas from sensitivity analysis in causal inference and derivative-based measure of robustness from Hampel (1974). Among other properties, SLOPE can help investigators to choose (a) a robust source or target population or (b) a robust estimand. Also, we show an analytic relationship between SLOPE and influence functions, which investigators can use to derive SLOPE given an influence function. We conclude with a re-analysis of a multi-national randomized experiment and illustrate the role of SLOPE in informing robust study designs for generalization.